В МАИ создали уникальную систему дефектоскопии с помощью дронов

Развитие технологий требует новых подходов к обеспечению промышленной безопасности. Например, одним из важных процессов для предприятий является своевременная диагностика дефектов и повреждений различных промышленных объектов, что зачастую сопряжено с большими трудозатратами и временными потерями. Появление беспилотных летательных аппаратов, оснащённых современными системами сканирования окружающих поверхностей, позволяет вывести этот процесс на новый уровень: сделать его как более эффективным, так и более экономичным.

Совместную работу в этом направлении ведут сегодня специалисты центра «Беспилотные летательные аппараты» Московского авиационного института, кафедры 806 «Вычислительная математика и программирование» МАИ и компании Phygitalism. Команда разработала уникальную систему дефектоскопии промышленных объектов с помощью дронов на основе компьютерного зрения, а сейчас развивает свой проект, внедряя анализ облаков данных, полученных с лидарных камер.

Нейросеть и цифровые двойники

Созданная командой система дефектоскопии с помощью компьютерного зрения позволяет выявлять на поверхности промышленных объектов такие повреждения, как трещины, вздутия, свищи, очаги коррозии и многие другие.

— Работа над комплексом для дефектоскопии промышленных объектов включила в себя широкий спектр задач, — рассказывает заместитель директора центра «Беспилотные летательные аппараты» МАИ Максим Калягин. — Специалисты МАИ занимались созданием беспилотного летательного аппарата, разработкой алгоритмов автономной навигации внутри помещения и программы, которая может обнаруживать дефекты на снимках, сделанных аппаратом. Задачей наших коллег из компании Phygitalism стало обучение нейронной сети, которая анализирует полученные с беспилотника данные на предмет дефектов.

Одна из уникальных особенностей проекта — создание собственного генератора синтетических данных, который позволяет значительно сократить процесс поиска данных для обучения нейросети.— Нейросеть может находить дефекты на поверхности тех или иных объектов, только пройдя предварительное обучение. Мы должны «объяснить» ей на примерах, как выглядит трещина или другое повреждение, — говорит один из участников проекта, аспирант кафедры 806 МАИ, руководитель исследовательской лаборатории компании Phygitalism Вадим Кондаратцев. — Созданный нами генератор синтетических данных позволяет обогатить обучающую выборку за счёт фотореалистичных изображений дефектов с соответствующей разметкой, которую обычно при обучении нейросетей люди наносят вручную. Для генерации изображений предварительно создаётся цифровой двойник исследуемого объекта.Система успешно прошла испытания на тестовом стенде и уже используется в интересах внешних заказчиков.

— Один из наших кейсов — обследование сети ТЭЦ на наличие повреждений труб, — продолжает молодой учёный. — Обычно для этой процедуры необходимо останавливать работу паровых котлов, которые используются в системах теплового обогрева городов и промышленных предприятий, выкачивать из них всю жидкость и выстраивать внутри промышленные леса, чтобы у специалистов по дефектоскопии была возможность получить прямой доступ к трубам. После нахождения и устранения дефектов процесс повторяется в обратном порядке. Автоматическая детекция дефектов на практике минимизировала время и расходы на проведение сервисного обслуживания.

Переход в 3D

Сильной стороной проекта является возможность лёгкого перехода на более высокий уровень: от дефектоскопии в 2D с помощью компьютерного зрения к 3D-сканированию посредством лидара или камеры глубины.

— Лидар — это специальная камера с быстро крутящейся лазерной головкой, которая выпускает лазерные лучи и составляет картину окружающего пространства по уровню задержки и амплитуды отражённого луча, — объясняет Вадим Кондаратцев.

Использование лидара и анализ полученных облаков точек позволяют искать дефекты, которые нельзя обнаружить визуально. Кроме того, лидар может снимать в темноте, что является огромным преимуществом этого метода.

— Проектов по дефектоскопии в облаке точек, использующих синтетические данные и авторазметку, сегодня практически нет на рынке, — подчёркивает Вадим. — При этом мы видим большие перспективы разработки не только в дефектоскопии, но и в целом ряде других областей: в сельском и городском хозяйстве, на производстве для контроля качества изделий, в том числе перспективных авиационных.

В настоящее время разработчики проекта сотрудничают с пятью компаниями, заинтересованными в услугах дефектоскопии. Работа с ещё двумя компаниями была завершена ранее.

— Большой интерес к разработке проявляют компании энергетического сектора, — говорит Максим Калягин. — Системы искусственного интеллекта широко внедряются в промышленные процессы, и весьма вероятно, что в будущем беспилотные летательные аппараты смогут заменить на предприятиях обходчиков оборудования и стационарные системы контроля.